Vad det automatiska räkningssystemet var tänkt att göra

Systemet använde surfplattans kamera i kombination med datorseende och rumsavkänning för att scanna kylar, hyllor och lagerutrymmen. Personalen svepte enheten över varorna, och mjukvaran kände automatiskt igen produkter och räknade dem i realtid.

Tekniken utlovade flera operativa fördelar:

• Snabbare inventering än manuell räkning
• Bättre insyn i varor med lågt lager
• Färre produktbrist som påverkar menyutbudet

NomadGos system bearbetade bilder direkt på mobila enheter och lade över information om produktidentifiering för att hjälpa personalen att snabbt validera antalet.

I teorin skulle automatiseringen frigöra personal från rutinmässiga räkningsuppgifter samtidigt som Starbucks fick bättre data om lagernivåer på tusentals platser.

Varför systemet misslyckades i verkliga butiker

När systemet väl togs i bruk i stor skala hade det svårt med grundläggande tillförlitlighet.

Enligt rapporter som hänvisar till intern företagskommunikation räknade verktyget ofta fel antal varor, märkte produkter med fel etiketter eller missade helt att identifiera inventarier.

Ett återkommande problem gällde varor som såg likadana ut, särskilt olika mjölksorter som vanlig mjölk, havremjölk och andra alternativ. Systemet blandade ibland ihop dem eller lyckades inte identifiera dem korrekt.

För Starbucks butiker – där tillgången på mjölk direkt avgör om drycker kan tillagas – skapade dessa fel friktion i verksamheten. Istället för att spara tid tvingades personalen dubbelkolla lagersaldona manuellt.

När lagersystem är opålitliga kan det få följdeffekter som:

• Felaktiga beställningsbeslut
• Brist på ingredienser
• Menyartiklar som tillfälligt inte finns tillgängliga

Då gav automatiseringen inte längre den tänkta nyttan.

Varför Starbucks återgick till manuell räkning

I maj 2026 meddelade Starbucks butikerna att programmet Automated Counting skulle avvecklas och att dryckeskomponenter och mjölk skulle räknas manuellt på samma sätt som andra lagersaldon.

Förändringen var kopplad till en bredare operativ omställning inom företaget.

Under vd Brian Niccol lanserade Starbucks en strategi som internt ofta kallas ”Back to Starbucks” och som syftade till att åtgärda de ihållande produktbristerna och förbättra utförandet i butik.

Som en del av detta arbete betonade företaget:

• standardiserade lagerrutiner
• mer enhetliga butiksprocesser
• daglig påfyllnad av nyckelingredienser

Att återgå till manuell räkning sågs som det mer pålitliga alternativet för att säkerställa att butikerna hade de ingredienser som behövdes för att hålla menyartiklarna tillgängliga.

En varningssignal för AI-satsningar i företag

Nedläggningen av Starbucks AI-baserade lagerhantering belyser en bredare utmaning för AI i företagsmiljöer: teknik som fungerar i kontrollerade demos kan få problem i den röriga verkligheten.

Butiker och restauranger innebär svåra förhållanden för datorseendesystem, inklusive:

• röriga hyllor och kylar
• förändrade förpackningsdesigner
• produkter som ser likadana ut
• ojämn belysning och varierande hyllayout

Även små fel i identifieringen kan bli stora operativa problem när de multipliceras över tusentals platser.

I detta fall drog Starbucks slutsatsen att systemets noggrannhetsproblem uppvägde effektivitetsvinsterna, vilket ledde till att företaget skrotade verktyget efter bara nio månaders full drift.

Experimentet visar ändå hur aggressivt stora detaljhandelskedjor testar AI i fysiska verksamheter – men också hur snabbt dessa piloter kan avbrytas när tillförlitligheten inte motsvarar verklighetens krav.

Vad det automatiska räkningssystemet var tänkt att göra

Systemet använde surfplattans kamera i kombination med datorseende och rumsavkänning för att scanna kylar, hyllor och lagerutrymmen. Personalen svepte enheten över varorna, och mjukvaran kände automatiskt igen produkter och räknade dem i realtid.

Tekniken utlovade flera operativa fördelar:

• Snabbare inventering än manuell räkning
• Bättre insyn i varor med lågt lager
• Färre produktbrist som påverkar menyutbudet

NomadGos system bearbetade bilder direkt på mobila enheter och lade över information om produktidentifiering för att hjälpa personalen att snabbt validera antalet.

I teorin skulle automatiseringen frigöra personal från rutinmässiga räkningsuppgifter samtidigt som Starbucks fick bättre data om lagernivåer på tusentals platser.

Varför systemet misslyckades i verkliga butiker

När systemet väl togs i bruk i stor skala hade det svårt med grundläggande tillförlitlighet.

Enligt rapporter som hänvisar till intern företagskommunikation räknade verktyget ofta fel antal varor, märkte produkter med fel etiketter eller missade helt att identifiera inventarier.

Ett återkommande problem gällde varor som såg likadana ut, särskilt olika mjölksorter som vanlig mjölk, havremjölk och andra alternativ. Systemet blandade ibland ihop dem eller lyckades inte identifiera dem korrekt.

För Starbucks butiker – där tillgången på mjölk direkt avgör om drycker kan tillagas – skapade dessa fel friktion i verksamheten. Istället för att spara tid tvingades personalen dubbelkolla lagersaldona manuellt.

När lagersystem är opålitliga kan det få följdeffekter som:

• Felaktiga beställningsbeslut
• Brist på ingredienser
• Menyartiklar som tillfälligt inte finns tillgängliga

Då gav automatiseringen inte längre den tänkta nyttan.

Varför Starbucks återgick till manuell räkning

I maj 2026 meddelade Starbucks butikerna att programmet Automated Counting skulle avvecklas och att dryckeskomponenter och mjölk skulle räknas manuellt på samma sätt som andra lagersaldon.

Förändringen var kopplad till en bredare operativ omställning inom företaget.

Under vd Brian Niccol lanserade Starbucks en strategi som internt ofta kallas ”Back to Starbucks” och som syftade till att åtgärda de ihållande produktbristerna och förbättra utförandet i butik.

Som en del av detta arbete betonade företaget:

• standardiserade lagerrutiner
• mer enhetliga butiksprocesser
• daglig påfyllnad av nyckelingredienser

Att återgå till manuell räkning sågs som det mer pålitliga alternativet för att säkerställa att butikerna hade de ingredienser som behövdes för att hålla menyartiklarna tillgängliga.

En varningssignal för AI-satsningar i företag

Nedläggningen av Starbucks AI-baserade lagerhantering belyser en bredare utmaning för AI i företagsmiljöer: teknik som fungerar i kontrollerade demos kan få problem i den röriga verkligheten.

Butiker och restauranger innebär svåra förhållanden för datorseendesystem, inklusive:

• röriga hyllor och kylar
• förändrade förpackningsdesigner
• produkter som ser likadana ut
• ojämn belysning och varierande hyllayout

Även små fel i identifieringen kan bli stora operativa problem när de multipliceras över tusentals platser.

I detta fall drog Starbucks slutsatsen att systemets noggrannhetsproblem uppvägde effektivitetsvinsterna, vilket ledde till att företaget skrotade verktyget efter bara nio månaders full drift.

Experimentet visar ändå hur aggressivt stora detaljhandelskedjor testar AI i fysiska verksamheter – men också hur snabbt dessa piloter kan avbrytas när tillförlitligheten inte motsvarar verklighetens krav.